摘要
肺癌是全球癌症中发病率和死亡率最高的恶性肿瘤。人工智能、大数据深度挖掘和计算模型优化的结合，使得计算机辅助诊断大大提高了肺癌的自动诊断率。但是，由于肺癌的临床确诊多为中晚期（II、III、IV期），经过规范化治疗后（外科手术或立体定向放疗），5年生存率仍不足5%，而早期肺癌患者的治愈率可达80%。人工智能技术为肺癌的诊治带来了新思路，目前大量研究集中于肺部肿瘤的早期筛查、诊断、治疗和病程管理，以及研发基于深度学习的计算机辅助诊断系统，并取得了显著效果。在计算机视觉和机器学习领域，近年来，时空信息建模和预测问题引起了人们的广泛关注。肿瘤的生长其实也有一定的周期和规律，肺癌不同时期的病灶医学影像数据包含着大量与其演变（产生、发展、消亡）相关的时间信息。利用计算机以及人工智能技术预测肿瘤生长演变的规律，可优化医生的诊断治疗方案。 本研究深入剖析了肺结节预测和分类的技术现状，以CT影像为主要研究对象，开展了肺结节生长预测和分类两方面的研究。 （1）通过体积医学成像观察进行预后肿瘤生长建模会形成更好的肿瘤治疗管理和手术计划。卷积网络（ConvNet）的最新研究进展表明，在预测未来肿瘤体积方面，它比传统的数学模型具有更高的准确性。这表明基于深度学习的数据驱动技术在解决这一问题上可能具有巨大的潜力。本文所提出的条件对抗性自动编码器（CAAE）网络模型给定未标记的图像，生成模型可以直接产生具有所需时间点属性的图像。两个对抗性网络分别施加在编码器和生成器上，迫使生成更多的真实的图像。同时，预测肿瘤生长的体积、ICVF、掩模等信息，解决肺部肿瘤生长预测指标问题，及时空一致性问题，依据提取出的预测信息的特征映射，通过该网络，最终生成下一阶段的结果图。条件对抗性自动编码器网络模型在长时程肿瘤生长趋势预测方面的效果显著，条件的限制可以确保随着时间的推进，最后预测的是同一个病例的信息，保证不会有其他信息的干扰。结果表明，所提出的条件对抗性自动编码器网络模型在预测未来肿瘤体积的指标下，Dice评分为83.2%±5.1%，RVD评分为11.2%±10.8%，均显著优于传统线性模型、ConvLSTM和生成对抗网络（GAN）等方法。此外，我们的新方法可以预测细胞密度和CT增强度数。 （2）良恶性肺结节的分类对肺癌的早期发现具有重要意义，因为结节的早期诊断可以大大增加患者的生存率。本文提出了一种基于计算机断层扫描（CT）图像混合特征的肺结节分类方法。该方法融合了基于三维深度双路径网络（DPN）特征、基于局部二值模式（LBP）的纹理特征和基于方向梯度直方图（HOG）的形状特征直方图来表征肺结节。DPN是一个卷积神经网络，它将聚合残差网络（ResNeXt）的优点集成到特征重用和密集卷积网络（DenseNet）中用于探索新的特征。LBP是纹理分类的突出特征描述符，与HOG描述符结合，可以显著提高分类性能。为了区分恶性结节和良性结节，采用梯度增强机（GBM）算法。在公开可用的LUNA16数据集上对所提出的方法进行了评估，实验结果表明，该方法分类准确率为93.78%，AUC为0.9687。所提出的方法可能帮助放射科医生解释诊断数据和做出决定。也验证了将传统的视觉特征与深度学习算法学习到的特征相结合，可以提高肺结节分类的性能。
NETL